CN116543239A - 对智能药盒内药品进行检测的方法、系统、设备和介质 - Google Patents

对智能药盒内药品进行检测的方法、系统、设备和介质 Download PDF

Info

Publication number
CN116543239A
CN116543239A CN202310822376.XA CN202310822376A CN116543239A CN 116543239 A CN116543239 A CN 116543239A CN 202310822376 A CN202310822376 A CN 202310822376A CN 116543239 A CN116543239 A CN 116543239A
Authority
CN
China
Prior art keywords
medicine
medicine box
layer
intelligent medicine
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310822376.XA
Other languages
English (en)
Inventor
满文斌
杨帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tongfan Technology Co ltd
Original Assignee
Beijing Tongfan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Tongfan Technology Co ltd filed Critical Beijing Tongfan Technology Co ltd
Priority to CN202310822376.XA priority Critical patent/CN116543239A/zh
Publication of CN116543239A publication Critical patent/CN116543239A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

本发明涉及一种对智能药盒内药品进行检测的方法、系统、设备和介质，包括：按照预设周期获取家庭智能药盒的图像数据；将获取的家庭智能药盒的图像数据输入到预先建立的药品检测模型，得到家庭智能药盒各药仓的药品数量；基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒。本发明基于影像识别的人工智能技术对智能药盒内各药仓的药品数量进行检测，能够在短时间内对药盒内是否存在药品进行准确识别和判断，提高了药品管理效率和准确性；通过对不同采样周期内药品的数量信息进行记录和管理，方便医生和患者进行用药监管和管理。本发明可以广泛应用于医疗健康数据处理领域。

Description

对智能药盒内药品进行检测的方法、系统、设备和介质
技术领域
本发明涉及一种基于影像识别人工智能技术对智能药盒内药品进行检测的方法、系统、设备和介质，属于医疗健康数据处理领域。
背景技术
对于需要经常服药的慢性病患者来说，采用智能药盒对药物进行储存是比较常见的方法。然而，传统的智能药盒通常只是用于储存药物，而智能药盒内药物的管理和使用往往需要人工记录和监督，存在着一定的误差和风险。
目前，市面上虽然出现了一些智能药盒，通过在智能药盒上设置一些定时装置，可以根据医嘱调控用药时间与频率，以便对慢性病患者的服药时间进行提醒。然而，这类智能药盒却不能对药盒内存储的药品数量进行检测，当智能药盒内药品数量不足时，给患者服药带来隐患。同时，也不能对患者的服药情况进行记录，不便于医生对患者服药情况进行分析。
发明内容
针对上述问题，本发明的目的是提供一种基于影像识别人工智能技术对智能药盒内药品进行检测的方法、系统、设备和介质，该方法利用获取的智能药盒内的影像，对智能药盒内各药仓是否有药进行识别，得到患者是否按时服药信息的同时对智能药盒内的药品数量进行监管，对于提高药品管理效率和患者用药安全性具有重要意义。
为实现上述目的，本发明采取以下技术方案：
第一方面，本发明提供一种对智能药盒内药品进行检测的方法，包括以下步骤：
按照预设周期获取家庭智能药盒的图像数据；
将获取的家庭智能药盒的图像数据输入到预先建立的药品检测模型，得到家庭智能药盒各药仓的药品数量；
基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒；
所述建立药品检测模型，包括：
对家庭智能药盒的图像数据进行采集，进行归一化处理和数据标注后得到训练样本数据；其中，对采集的家庭智能药盒的图像数据进行标注时，是将图像中家庭智能药盒内各药仓是否有药进行标注；
构建卷积神经网络；
基于训练样本数据以及预设的训练损失函数，对构建的卷积神经网络进行训练，当达到指定轮次时停止训练，并将训练得到的卷积神经网络作为药品检测模型；
所述卷积神经网络包括：卷积层、SPP层、PAN层和全连接层；所述卷积层用于对输入的训练样本数据进行特征提取，得到图像特征图；所述SPP层用于对不同尺度的图像特征数据进行处理，得到预设大小的特征数据；所述PAN层用于对所述SPP层输出的特征信息进行融合；所述全连接层用于根据所述特征信息融合结果得到预测结果。
进一步，所述预设周期根据患者定点服药时间设置。
进一步，所述获取家庭智能药盒的图像数据，是指利用家庭智能药盒自身携带的摄像头或在家庭智能药盒内配置图像采集设备进行各药仓图像的采集。
进一步，所述卷积层包括图像输入模块、第一～第五卷积模块、第一～第二池化模块；所述图像输入模块用于获取训练样本数据；所述第一卷积模块的输入端与所述图像输入模块的输出端相连，且所述第一卷积模块和第二卷积模块之间设置所述第一池化模块，所述第二卷积模块和第三卷积模块之间设置所述第二池化模块，所述第四卷积模块和第五卷积模块依次与所述第三卷积模块相连，用于对输入的训练样本数据进行不同维度的特征提取，得到图像特征图。
进一步，所述基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒，包括：
对相邻采集周期内家庭智能药盒内各药仓的药品数量进行对比，若药仓内药品数量没有变化，则说明患者没有按时服药，此时提醒患者用药；
若药仓内药品数量减少，则说明患者按时服药，不需要提醒。
第二方面，本发明提供一种对智能药盒内药品进行检测的系统，包括：
影像获取模块，用于按照预设周期获取家庭智能药盒的图像数据；
药品检测模块，用于将获取的家庭智能药盒的图像数据输入到预先建立的药品检测模型，得到家庭智能药盒内的药品数量；
用药情况及药品管控模块，用于基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒；
所述建立药品检测模型，包括：
对家庭智能药盒的图像数据进行采集，进行归一化处理和数据标注后得到训练样本数据；其中，对采集的家庭智能药盒的图像数据进行标注时，是将图像中家庭智能药盒内各药仓是否有药进行标注；
构建卷积神经网络；
基于训练样本数据以及预设的训练损失函数，对构建的卷积神经网络进行训练，当达到指定轮次时停止训练，并将训练得到的卷积神经网络作为药品检测模型；
所述卷积神经网络包括：卷积层、SPP层、PAN层和全连接层；所述卷积层用于对输入的训练样本数据进行特征提取，得到图像特征图；所述SPP层用于对不同尺度的图像特征数据进行处理，得到预设大小的特征数据；所述PAN层用于对所述SPP层输出的特征信息进行融合；所述全连接层用于根据所述特征信息融合结果得到预测结果。
第三方面，本发明提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
第四方面，本发明提供一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明通过对采集的家庭智能药盒内影像进行智能分析，能够在短时间内对药盒内是否存在药品进行准确识别和判断，提高了药品管理效率和准确性；
2、本发明利用人工智能算法对进行药品识别，避免了人为记录和监管的误差和风险，同时提高了用药的安全性和可靠性；
3、本发明通过对不同采样周期内药品的数量信息进行记录和管理，方便医生和患者进行用药监管和管理；
因此，本发明可以广泛应用于医疗健康数据处理领域。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明实施例提供的对智能药盒内药品进行检测的方法流程图；
图2是本发明实施例提供的卷积神经网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供一种对智能药盒内药品进行检测的方法，该方法以具备图像采集及数据传输功能的家庭智能药盒为基础，通过获取该智能药盒各药仓的影像数据，利用基于影像识别的人工智能技术对智能药盒内各药仓的药品数量进行检测，同时，还可以对药品的数量信息进行识别和记录，方便医生和患者进行管理和监控。
与之相对应地，本发明的另一些实施例中，提供一种对智能药盒内药品进行检测的系统、设备和存储介质。
实施例1
如图1所示，本实施例以具备图像采集及数据传输功能的家庭智能药盒为基础，提供一种对智能药盒内药品进行检测的方法，包括以下步骤：
S1、按照预设周期获取家庭智能药盒的图像数据；
S2、将获取的家庭智能药盒的图像数据输入到预先建立的药品检测模型，得到家庭智能药盒各药仓的药品数量；
S3、基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒，同时对家庭智能药盒的药品进行管理和监控。
优选地，上述步骤S1中，家庭智能药盒的图像数据，可以利用家庭智能药盒自身携带的摄像头或在家庭智能药盒内配置图像采集设备进行药仓图像采集。
优选地，上述步骤S1中，预设周期可以根据患者的定点服药时间设置，例如可以在定点用药时间前5分钟开始进行采集，每5分钟采集一次，在定点用药时间后30分钟截止。
优选地，上述步骤S2中，建立药品检测模型时，包括以下步骤：
S21、对家庭智能药盒的图像数据进行采集，进行归一化处理和数据标注后得到训练样本数据；
S22、构建卷积神经网络；
S23、基于训练样本数据以及预设的训练损失函数，对构建的卷积神经网络进行训练，当达到指定轮次时停止训练，并将训练得到的卷积神经网络作为药品检测模型。
优选地，上述步骤S21中，对采集的图像数据进行归一化处理和数据标注是本领域技术人员公知技术，本发明对此不做赘述；本实施例中，对采集的目标家庭智能药盒的图像数据进行标注时，是将图像中药盒内各药仓是否有药进行标注。
优选地，上述步骤S22中，如图2所示，本实施例中构建的卷积神经网络包括卷积层、SPP层、PAN层和全连接层。其中，卷积层用于对输入的训练样本数据进行特征提取，得到图像特征图；SPP层用于对不同尺度的图像特征数据进行处理，得到预设大小的特征数据发送给PAN层；PAN层用于对SPP层输出的特征信息进行融合；全连接层用于根据PAN层输出的特征信息融合结果得到预测结果。
具体地，卷积层包括图像输入模块、第一～第五卷积模块、第一～第二池化模块。其中，图像输入模块用于获取训练样本数据；第一卷积模块的输入端与图像输入模块的输出端相连，第一卷积模块和第二卷积模块之间设置第一池化模块，第二卷积模块和第三卷积模块之间设置第二池化模块，第四卷积模块和第五卷积模块依次与第三卷积模块相连，用于对输入的训练样本数据进行不同维度的特征提取，得到图像特征图。
本实施例中，第一卷积模块采用5x5的卷积核，其包括32个输出通道，步长为1；第二卷积模块采用3x3的卷积核，其包括64个输出通道，步长为2；第三卷积模块采用3x3的卷积核，其包括128个输出通道，步长为1；第四卷积模块采用3x3的卷积核，其包括256个输出通道，步长为1；第五卷积模块采用3x3的卷积核，其包括512个输出通道，步长为1。
第一池化模块采样3x3的池化核，步长为2；第二池化模块采样2x2的池化核，步长为2。
优选地，在对卷积神经网络进行训练时，采用的是交叉熵损失函数，采用基于动量的随机梯度下降优化器进行优化。进行测试时，是将待预测的药盒图像输入到卷积神经网络中对各药仓中是否有药的数量进行预测，最后输出大于置信阈值的（药仓有药数量）数量。
优选地，上述步骤S3中，基于目标家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒，包括：对相邻采集周期内目标家庭智能药盒内各药仓的药品数量进行对比，若药仓内药品数量没有变化，则说明患者没有按时服药，此时可以提醒患者用药；若药仓内药品数量减少，则说明患者按时服药，不需要提醒。
实施例2
上述实施例1提供了对智能药盒内药品进行检测的方法，与之相对应地，本实施例提供一种对智能药盒内药品进行检测的系统。本实施例提供的系统可以实施实施例1的对智能药盒内药品进行检测的方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例提供的系统的实施例仅仅是示意性的。
本实施例提供的对智能药盒内药品进行检测的系统，包括：
影像获取模块，用于按照预设周期获取家庭智能药盒的图像数据；
药品检测模块，用于将获取的家庭智能药盒的图像数据输入到预先建立的药品检测模型，得到家庭智能药盒内的药品数量；
用药情况及药品管控模块，用于基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒，同时对目标家庭智能药盒的药品进行管理和监控。
实施例3
本实施例提供一种与本实施例1所提供的对智能药盒内药品进行检测的方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的对智能药盒内药品进行检测的方法。
在一些实施例中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实施例中，处理器可以为中央处理器（CPU）、数字信号处理器（DSP）等各种类型通用处理器，在此不做限定。
实施例4
本实施例1的对智能药盒内药品进行检测的方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的对智能药盒内药品进行检测的方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种对智能药盒内药品进行检测的方法，其特征在于，包括以下步骤：
按照预设周期获取家庭智能药盒的图像数据；
将获取的家庭智能药盒的图像数据输入到预先建立的药品检测模型，得到家庭智能药盒各药仓的药品数量；
基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒；
所述建立药品检测模型，包括：
对家庭智能药盒的图像数据进行采集，进行归一化处理和数据标注后得到训练样本数据；其中，对采集的家庭智能药盒的图像数据进行标注时，是将图像中家庭智能药盒内各药仓是否有药进行标注；
构建卷积神经网络；
基于训练样本数据以及预设的训练损失函数，对构建的卷积神经网络进行训练，当达到指定轮次时停止训练，并将训练得到的卷积神经网络作为药品检测模型；
所述卷积神经网络包括：卷积层、SPP层、PAN层和全连接层；所述卷积层用于对输入的训练样本数据进行特征提取，得到图像特征图；所述SPP层用于对不同尺度的图像特征数据进行处理，得到预设大小的特征数据；所述PAN层用于对所述SPP层输出的特征信息进行融合；所述全连接层用于根据所述特征信息融合结果得到预测结果。
2.如权利要求1所述的一种对智能药盒内药品进行检测的方法，其特征在于，所述预设周期根据患者定点服药时间设置。
3.如权利要求1所述的一种对智能药盒内药品进行检测的方法，其特征在于，所述获取家庭智能药盒的图像数据，是指利用家庭智能药盒自身携带的摄像头或在目标家庭智能药盒内配置图像采集设备进行各药仓图像的采集。
4.如权利要求1所述的一种对智能药盒内药品进行检测的方法，其特征在于，所述卷积层包括图像输入模块、第一～第五卷积模块、第一～第二池化模块；所述图像输入模块用于获取训练样本数据；所述第一卷积模块的输入端与所述图像输入模块的输出端相连，且所述第一卷积模块和第二卷积模块之间设置所述第一池化模块，所述第二卷积模块和第三卷积模块之间设置所述第二池化模块，所述第四卷积模块和第五卷积模块依次与所述第三卷积模块相连，用于对输入的训练样本数据进行不同维度的特征提取，得到图像特征图。
5.如权利要求1所述的一种对智能药盒内药品进行检测的方法，其特征在于，所述基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒，包括：
对相邻采集周期内家庭智能药盒内各药仓的药品数量进行对比，若药仓内药品数量没有变化，则说明患者没有按时服药，此时提醒患者用药；
若药仓内药品数量减少，则说明患者按时服药，不需要提醒。
6.一种对智能药盒内药品进行检测的系统，其特征在于，包括：
影像获取模块，用于按照预设周期获取家庭智能药盒的图像数据；
药品检测模块，用于将获取的家庭智能药盒的图像数据输入到预先建立的药品检测模型，得到家庭智能药盒内的药品数量；
用药情况及药品管控模块，用于基于家庭智能药盒内的药品数量，得到患者的用药情况并进行用药提醒；
所述建立药品检测模型，包括：
对家庭智能药盒的图像数据进行采集，进行归一化处理和数据标注后得到训练样本数据；其中，对采集的家庭智能药盒的图像数据进行标注时，是将图像中家庭智能药盒内各药仓是否有药进行标注；
构建卷积神经网络；
基于训练样本数据以及预设的训练损失函数，对构建的卷积神经网络进行训练，当达到指定轮次时停止训练，并将训练得到的卷积神经网络作为药品检测模型；
所述卷积神经网络包括：卷积层、SPP层、PAN层和全连接层；所述卷积层用于对输入的训练样本数据进行特征提取，得到图像特征图；所述SPP层用于对不同尺度的图像特征数据进行处理，得到预设大小的特征数据；所述PAN层用于对所述SPP层输出的特征信息进行融合；所述全连接层用于根据所述特征信息融合结果得到预测结果。
7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至5所述方法中的任一方法。
8.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至5所述方法中的任一方法的指令。
CN202310822376.XA 2023-07-06 2023-07-06 对智能药盒内药品进行检测的方法、系统、设备和介质 Pending CN116543239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310822376.XA CN116543239A (zh) 2023-07-06 2023-07-06 对智能药盒内药品进行检测的方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310822376.XA CN116543239A (zh) 2023-07-06 2023-07-06 对智能药盒内药品进行检测的方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN116543239A true CN116543239A (zh) 2023-08-04

Family

ID=87454595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310822376.XA Pending CN116543239A (zh) 2023-07-06 2023-07-06 对智能药盒内药品进行检测的方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN116543239A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169185A1 (en) * 2015-12-14 2017-06-15 Tricella Inc. Robust Health Tracking Service
CN106858975A (zh) * 2017-01-26 2017-06-20 杭州翼心信息科技有限公司 一种智能药盒及药盒检测管理方法
CN109528495A (zh) * 2018-11-22 2019-03-29 东阳市人民医院 智能药盒及智能药盒控制系统
CN110647816A (zh) * 2019-08-26 2020-01-03 合肥工业大学 一种用于货架药品实时监测的目标检测方法
CN111161826A (zh) * 2018-11-07 2020-05-15 深圳佐医生科技有限公司 一种基于智能药盒的用药管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169185A1 (en) * 2015-12-14 2017-06-15 Tricella Inc. Robust Health Tracking Service
CN106858975A (zh) * 2017-01-26 2017-06-20 杭州翼心信息科技有限公司 一种智能药盒及药盒检测管理方法
CN111161826A (zh) * 2018-11-07 2020-05-15 深圳佐医生科技有限公司 一种基于智能药盒的用药管理系统
CN109528495A (zh) * 2018-11-22 2019-03-29 东阳市人民医院 智能药盒及智能药盒控制系统
CN110647816A (zh) * 2019-08-26 2020-01-03 合肥工业大学 一种用于货架药品实时监测的目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
涂铭，金智勇: "《深度学习与目标检测 工具、原理与算法》", 机械工业出版社, pages: 139 - 140 *

Similar Documents

Publication Publication Date Title
CN111316281A (zh) 基于机器学习的自然语言情境中数值数据的语义分类
US20120020563A1 (en) Systems and Methods for Automated Extraction of Measurement Information in Medical Videos
US11170310B2 (en) Systems and methods for automatic segment selection for multi-dimensional biomedical signals
CN109545387B (zh) 一种基于神经网络的异常病例识别方法及计算设备
US20120084091A1 (en) Apparatus and method for object confirmation and tracking
CN109636645A (zh) 医保监管方法、设备、装置及计算机可读存储介质
WO2021151302A1 (zh) 基于机器学习的药品质控分析方法、装置、设备及介质
CN112365976B (zh) 一种基于迁移学习的复合病种临床路径构建方法及系统
CN112259243B (zh) 一种基于双向GRUs的单病种临床路径构建方法及系统
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN110755047B (zh) 一种心脑血管疾病预防方法、装置、终端及存储介质
CN117373584A (zh) 一种急性肾损伤的动态预测方法及系统
CN112800758A (zh) 一种文本中近义词判别方法、系统、设备和介质
CN116543239A (zh) 对智能药盒内药品进行检测的方法、系统、设备和介质
CN116631626A (zh) 一种患者临床风险评估方法、装置、设备及介质
CN116705301A (zh) 一种应用于家庭护理下的健康管理方法及系统
CN114579626B (zh) 数据处理方法、数据处理装置、电子设备和介质
CN106650280A (zh) 应用人工智能技术自动分析人体历史健康数据的系统
CN114155578A (zh) 人像聚类方法、装置、电子设备和存储介质
CN113990514A (zh) 医师诊疗行为的异常检测装置、计算机设备及存储介质
Vu et al. Real-time arrhythmia detection using convolutional neural networks
CN117577264B (zh) 给药信息确定方法、装置、电子设备及存储介质
CN109545382A (zh) 一种基于大数据的雷同病例识别方法及计算设备
CN113223698B (zh) 急诊分级处理方法、装置、电子设备以及存储介质
CN115187805B (zh) 一种征象识别方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230804